大資料、厚資料與富資料如何支援業務決策? - Dave
有關大資料通常觀點是:給我一個聰明的數學家、技術工具和大量資料,我可以毫不費力地創造營業務意義。但是,這種一種危險:很多被認為有業務意義的假設前提都是不確定的(邏輯前提都是錯的,第一性根本不存在),而且在大資料分析中經常將相關性與因果關係混淆的,這種大資料方法受到了各個領域專家的廣泛批評。
厚資料是使用定性研究方法,透過人類學研究方法揭示人們的情感、故事和世界模型的資料。這是難以量化的粘性物質。它以小樣本的形式出現在我們面前,作為回報,我們獲得了令人難以置信的意義和故事深度。
厚資料與大資料相反:
- 大資料是大規模的定量資料,涉及圍繞捕獲、儲存和分析的新技術。為了使大資料可分析,它必須使用規範化、標準化、定義、聚類、剝離資料集的上下文、意義和故事的所有過程。
- 厚資料可以將大資料從使其可用過程中帶來的上下文丟失中拯救出來。
但是,多年來,太多的決策者委託進行了太多厚資料的定性研究,卻不知道他們這種有意方式如何決定結果。
厚資料強調故事這個概念,但是:
故事( stories)與軼事(anecdotes)之間有很大的不同。軼事是隨意收集的故事,隨意分享。故事是基於研究上下文背景下,有意收集資料並系統地取樣、共享、彙報和分析,從而產生見解(學術界分析)。偉大的洞察力激發設計、戰略和創新。
但是這種有意行為本身可能會使結果產生認知偏差,尤其是在提出問題的人被視為具有權威的情況下,儘管他們盡了最大努力,但情況可能如此。
因此,關鍵問題在於軼事資料,這些我們隨便分享的資料,最有可能代表我們的想法和行動的基礎。
人們通常主張用厚資料來補充大資料,但是現在必須使用富資料將兩者聯絡起來,這樣大資料更有可能在更高的容量下獲得意義。
富資料的另一個關鍵方面 是人們有權解釋他們自己的軼事材料;它沒有委託給演算法或人類學家。這裡流行的另一個短語是 認知正義:允許人們發表自己的聲音,不僅作為故事或軼事的被動貢獻者,而且作為他們自己解釋的積極代理人。
所有三種型別的資料都需要在需要時糾纏在一起,才能為有效的決策創造意義和支援。
相關文章
- 從“大資料”到“厚資料”大資料
- 大資料如何助力企業決策?大資料
- 大資料————決策樹(decision tree)大資料
- 如何透過資料分析來支援TPM模式的決策?模式
- 大資料如何改善企業業務大資料
- 資料驅動決策:決策智慧與設計思維
- VoltDB讓Kafka支援複雜資料流驅動的實時業務決策Kafka
- 大資料,大資料,大資料大資料
- 大資料時代,如何做資料探勘與分析!大資料
- 大資料正在改變企業決策方式大資料
- 大資料決策領跑零售業大資料
- 大資料如何採集資料?大資料的資料從何而來?大資料
- 大資料與資訊保安(六)天網系統與大資料 大資料大資料
- 大資料資訊時代,如何防止資料洩露,大資料防洩漏解決方案大資料
- 如何讓熱點圖支援大資料大資料
- 如何利用大資料驅動業務增長?大資料
- Jonathan Gardner:大資料:驅動業務決策 新型市場營銷的“獵犬”大資料
- 企業如何進行資料分析,實現科學決策和業務增長
- 大資料與海量資料的區別大資料
- “大資料”與“海量資料”的區別大資料
- 【大資料】大資料企業策略與法則大資料
- 36大資料:“胡潤百富榜”的富豪大資料畫像大資料
- 影響資料驅動業務目標的大資料挑戰大資料
- 大資料和資料倉儲解決方案大資料
- 當資料探勘遇上戰略決策
- .NET與大資料大資料
- 22國學者在南京探討“群決策”:大資料將助力高效決策大資料
- 大資料資料收集大資料
- 大資料 - DWS層 業務實現大資料
- 大資料時代的業務轉型大資料
- 如何理解“大資料”大資料
- 大資料技術原理與應用——大資料概述大資料
- 女人與大資料:大資料時代就是女性的時代大資料
- 尋路大資料:海量資料與大規模分析大資料
- 如何解決大資料安全問題大資料
- .NET 百萬級 大資料插入、更新 ,支援多種資料庫大資料資料庫
- 資料庫如何處理大資料訪問資料庫大資料
- 大資料日知錄 02 大資料常用演算法與資料結構大資料演算法資料結構